Кейс: что делать, если в поиске у B2B-сайта все хорошо, а в нейросетях — не очень

У крупного B2B-сайта тысячи запросов в поиске, по брендовым запросам он почти всегда в топе, а в ответах нейросетей бренд упоминается в 45% проверок. Неплохо? Но упоминание еще не значит, что нейросеть порекомендует компанию. А отвечая на вопросы покупателя, она может собрать ответ из обрывков с разных страниц, в том числе устаревших. Рассказываем, как мы провели диагностику и зачем нужен каждый документ, который клиент получил по итогам аудита и работы над стратегией.

Беря в работу проект на GEO-продвижение, мы всегда уделяем заметную долю ресурсов на работы по SEO. Это важно, потому что поисковая оптимизация лежит в основе работы по повышению видимости в нейросетях — ведь нейросети используют ту же базовую техническую доступность сайта и смотрят на то, как оптимизированы тексты.

Значит ли это, что к AI-поиску проект с сильным SEO уже готов?

Не всегда. Проект, о котором мы сегодня рассказываем, за годы работы собрал тысячи запросов в поиске, по брендовым запросам почти всегда стоит в топе, а нейросети знают бренд и связывают его с продуктом. Но в B2B покупателю мало знать, что бренд существует. Ближе к выбору поставщика у него появляются конкретные вопросы: подойдет ли решение его организации, что потребуется для внедрения, как формируется цена, чем подтверждены обещания. Если сайт отвечает на них по кусочкам, не цельно, нейросеть тоже может собирать ответ по кусочкам, причем не только с сайта компании.

В G2 опросили 1 076 покупателей B2B-софта в марте 2026 года: 51% из них теперь чаще начинают поиск с AI-чат-бота, чем с Google, а сами чат-боты стали главным источником, который влияет на то, какие поставщики попадут в короткий список. Конечно, это опрос покупателей программного обеспечения, и переносить цифры на другие рынки напрямую не стоит. Но направление показательное.

Сегодня мы рассказываем, как провели такую диагностику для разработчика B2B-платформы с большим и зрелым сайтом. Название клиента не раскрываем, поэтому все конкретные цифры продукта, имена клиентов и внешние площадки в тексте обобщены.

Внедрение только начинается, так что это история о том, что мы нашли, какие решения предложили и как будем проверять результат.

Как мы собираем вопросы для мониторинга и считаем присутствие бренда в ответах, мы уже подробно описали в материале Кейс: как GEO-аудит помог найти ошибки в ответах о лекарственном бренде. Здесь на методике мониторинга останавливаться не будем, а вместо этого сосредоточимся на том, что происходит после замеров.

Зрелому сайту с сильным SEO нужна дополнительная диагностика

Клиент — разработчик платформы для отраслевых предприятий. Сайт работает больше десяти лет: на нем большой архив экспертных статей, каталог поддерживаемого оборудования, документация, страницы продукта, модулей и решений для четырех отраслевых сегментов. Задача звучала так: как использовать накопленный поисковый и экспертный капитал в новых условиях поиска и при этом не наращивать архив статей дальше.

Обратите внимание: мы не заменяем SEO чем-то новым: техническая доступность, понятная структура, качественные страницы и перелинковка остаются фундаментом. Но добавляются другие работы: мы проверяем, как бренд и продукт выглядят в ответах нейросетей, и связываем найденные проблемы с планом работ.

Мы смотрели на проект с трех сторон: классическая выдача, ответы нейросетей и сам сайт глазами покупателя, который выбирает систему.

Диагностика показала, где сосредоточена видимость

Начнем с классического поиска. Мы взяли срез обычной органической выдачи в Keys.so по Москве за июль 2026 года. Около 97% запросов, по которым виден сайт, ведут на статьи, справочные материалы, каталог оборудования и документацию. На страницы продукта и отраслевых решений приходится меньше 1%.

Для зрелого сайта такое распределение нормально: информационный спрос всегда шире коммерческого, и сравнивать эти доли напрямую некорректно. Показательно другое. Одна справочная статья по нормативной теме собирает около 10% всех запросов среза. Это сильный самостоятельный актив, но сам по себе трафик на него не говорит о спросе на продукт. Видимость проекта сосредоточена в справочном контенте, и отдельный вопрос — насколько этот контент помогает читателю перейти к выбору продукта. Данных о таких переходах пока нет, поэтому в плане первым делом стоит настройка событий в аналитике.

Второе наблюдение — разрыв между брендовым и небрендовым спросом. По запросам с названием бренда медианная позиция сайта 1,5, в топ-10 находится 94% таких запросов. По запросам без названия бренда медианная позиция 18, в топ-10 — около трети. Тот, кто уже знает компанию, быстро ее находит. Тот, кто ищет решение своей задачи, видит ее заметно реже.

Теперь нейросети. В сводном мониторинге мы задаем 20 фиксированных вопросов в трех средах: ChatGPT, Алисе и обзорах AI Google. В 14 вопросах из 20 названия бренда нет: это вопросы о категории, проблемах, сравнении и выборе. И в июле, и в августе 2026 года бренд появился в 27 проверках из 60, то есть в 45%. Два одинаковых замера не показывают тренд, поэтому мы фиксируем их как исходную точку серии.

Что этот замер подтверждает: нейросети распознают бренд, используют официальный сайт как источник и связывают продукт с его основными задачами. Чего он не показывает: насколько точно описаны условия и ограничения продукта и предлагает ли нейросеть бренд как вариант, когда человек выбирает систему. В статье Стратегия AI-видимости: как связать бизнес-задачи, факты о бренде и потребности клиента мы описали пять групп сигналов, по которым мы оцениваем AI-видимость, и присутствие — только первая из них.

Важно помнить и о том, что ответы нейросетей нестабильны. Исследование SparkToro и Gumshoe показало: вероятность получить один и тот же список брендов дважды на одинаковый запрос — меньше 1 из 100. Устойчивее оказалась частота, с которой бренд появляется в серии ответов. Поэтому мы опираемся на долю в фиксированном наборе вопросов и не делаем выводов по одному ответу.

Из всего, что показала диагностика, разберем три примера. Каждый идет по одной цепочке: что обнаружили, почему это важно для выбора продукта, какое решение приняли и что проверим после внедрения.

Разные версии одного факта нужно проверить на сопоставимость

Что мы нашли в публичных фактах?

На сайте одновременно опубликованы разные значения одних и тех же изменяемых показателей: сколько моделей оборудования поддерживает платформа, сколько у нее отчетных форм, сколько устройств к ней подключено. По одному показателю мы насчитали пять разных значений, по другому — четыре. Всего набралось не меньше шести групп таких расхождений.

Тут же встречаются старые PDF с прежним названием продукта, внешние профили со старым позиционированием и отраслевые новости десятилетней давности. Отдельная группа — сильные утверждения: абсолютные гарантии, обещание запуска без капитальных затрат, срок развертывания, показатель доступности инфраструктуры. Сильные утверждения не плохи сами по себе — но не в том случае, если условия, при которых они верны, рядом с ними не указаны.

Мы называем информационным долгом ситуацию, когда на сайте и вокруг него доступны сразу несколько поколений сведений о продукте, и не всегда понятно, какая версия текущая.

Разные значения еще не означают ошибку. Продукт развивался, и часть цифр вполне может отражать его состояние в разные годы. Старые новости сами по себе тоже не проблема. Проблема появляется, когда историческое значение можно принять за текущее, потому что у него нет даты, определения или единицы измерения.

Почему разные версии мешают выбору?

Для покупателя такие показатели важны: от числа поддерживаемых моделей зависит, подойдет ли платформа к уже установленному оборудованию. Если на двух страницах он видит разные цифры, ему приходится уточнять у менеджера или делать вывод самостоятельно.

Поисковым системам и нейросетям тоже доступны все версии сразу. Мы не утверждаем, что нейросети уже ошибаются именно так: это нужно проверять по конкретным ответам. Но пока у значений нет даты и определения, риск остается. С сильными утверждениями похожая история: модель может пересказать обещание без условий, при которых оно действует.

Как мы предлагаем управлять фактами?

Разово поправить цифры недостаточно: через год продукт изменится, и расхождения появятся снова. Поэтому мы предложили систему управления изменяемыми фактами:

• Собрать все версии каждого показателя и места, где они опубликованы.
• Проверить, сопоставимы ли значения: относятся ли они к одному периоду, одному определению и одной методике подсчета.
• Попросить клиента подтвердить актуальное значение или объяснить, чем различаются версии.
• Внести факт в факт-матрицу: определение, текущее значение, дата актуальности, владелец со стороны клиента, первоисточник, страницы, где факт используется, и допустимая публичная формулировка.
• Синхронизировать сайт, документы и описания компании и продукта на внешних площадках (в отраслевых каталогах, профилях поставщиков и на сайтах партнеров).

Как устроена факт-матрица и как с ней работать, мы рассказали в статье Контентная гигиена для AI-ответов: как навести порядок в фактах о компании.

С сильными утверждениями работаем по тому же принципу. Мы не предлагаем их удалять, если они подтверждаются, но с цифрой результата должны быть указаны кейс, период и метод расчета, с тезисом о сертификации — актуальный документ, с обещанием быстрого запуска — условия, при которых оно выполнимо. Для консервативного корпоративного покупателя точные условия убедительнее абсолютных обещаний.

Что проверим после внедрения?

По этому примеру мы будем смотреть на три показателя: сколько критических расхождений в фактах осталось открытыми, у какой доли изменяемых показателей есть дата, владелец и первоисточник и насколько точно нейросети передают ключевые факты по сравнению с факт-матрицей. Первые два показателя зависят только от действий команды и не колеблются вместе с ответами нейросетей, поэтому цели по ним можно ставить сразу. О разнице между такими метриками и показателями, которые подрядчик не может гарантировать, мы писали в статье Как ставить KPI в GEO, если нельзя гарантировать результат.

Покупателю не хватало цельного ответа о внедрении и ограничениях

Что показала карта этапа выбора?

Мы проверили, как сайт отвечает на десять групп вопросов, которые покупатель задает ближе к покупке: что это за продукт и для кого он; какие у него функции и с каким оборудованием он работает; как он применяется в отраслевых сценариях; какие есть интеграции; сколько стоит; как проходит внедрение; когда он подходит и какие у него ограничения; как устроена информационная безопасность; чем подтверждены результаты; как работает поддержка.

Картина получилась неоднородной. Что такое продукт, какие у него функции и с каким оборудованием он совместим, раскрыто хорошо. Сведения о стоимости, интеграциях и безопасности на сайте есть, но разбросаны по разным материалам. О внедрении информация фрагментарна. Хуже всего раскрыта тема применимости и ограничений. На сайте почти нет ответа на вопрос, когда платформа подходит, а когда нужен другой класс решений.

Есть и проблема рамки. Что мы имеем в виду: продукт решает много задач, и из-за широкого функционала новому человеку не сразу понятно, к какому классу решений он относится и чем отличается от смежных систем и от самого оборудования. Объяснения на сайте есть, но они рассыпаны по разным страницам, и короткого однозначного ответа читатель не получает.

Похожий инструмент — карту фактической потребности — мы описывали в статье Карта фактической потребности: как превращать AI-выдачу в задачи для команды. Там он строится от промпт-сета, и здесь мы применили ту же логику к этапам выбора.

Почему это важно для выбора поставщика?

Перед покупкой корпоративный клиент хочет понять, что от него потребуется до старта, что можно оставить из существующей инфраструктуры, как проверить совместимость, от чего зависят сроки, кто за что отвечает и в каких случаях решение ему не подойдет. Если ответ разбросан по пяти страницам, собирать его приходится самому, и это барьер.

Для нейросетей ситуация похожая. Google описывает технику query fan-out: AI Overviews и AI Mode могут разбивать вопрос на несколько связанных поисков по подтемам. Вопрос о внедрении тоже распадается на подвопросы, и на каждый нужен проверяемый ответ. Если его нет на сайте производителя, системе придется опираться на то, что она найдет в других источниках.

Как мы выбирали между доработкой и новой страницей?

Автоматического правила здесь нет. Иногда недостающий ответ достаточно добавить на существующую страницу, а иногда разрозненные сведения нужно собрать в новую. Решение зависит от вопроса пользователя и от того, какую роль уже выполняет страница. Новую страницу мы предлагаем, только если выполнены все условия:

• у нее есть самостоятельная задача пользователя;
• у темы есть поисковый или нейропоисковый потенциал;
• в архиве нет сильного материала с тем же смыслом;
• задачу нельзя решить глубокой переработкой существующей страницы;
• новый адрес не будет конкурировать с другими страницами сайта;
• для темы есть подтвержденные факты.

По этим критериям под отдельные страницы ушли две темы: внедрение и применимость с ограничениями. Перед этим мы проверили архив. Части ответа нашлись в разных материалах, и новые страницы будут на них опираться, но страницы, которая собирала бы ответ целиком, на сайте нет. Стоимость, совместимость и безопасность закрываем доработкой существующих страниц. Например, на странице условий работы нужно привести к одному правилу единицу расчета стоимости и четко разделить, что входит в базовый сервис, а что оплачивается отдельно. Как выбрать основную страницу под сценарий, мы разобрали в статье Какой URL продвигать в AI-ответах: выбираем основную страницу.

С сильными существующими материалами работаем так же. Каждой важной странице мы заранее назначаем роль: справочная, объясняющая отраслевую проблему, объясняющая функцию продукта, помогающая выбрать решение или подтверждающая результат. Ссылку на коммерческую страницу добавляем, только если она логически продолжает запрос читателя. Справочная статья, которая собирает 10% поискового спроса, остается справочной: превращать ее в рекламу продукта мы не будем.

Отдельно скажем о том, чего мы решили не делать. Главную страницу и разделы решений и продуктов не переписываем: они уже выполняют свою роль и требуют точечных правок. Техническую документацию не закрываем от поиска. И главное: мы не выпускаем статьи ради объема. Для этого проекта мы заложили не больше десяти новых страниц за год и не больше одной в месяц. Основной объем — это от трех до пяти глубоких доработок существующих материалов каждый месяц. Новых страниц немного, потому что на сайте уже большой массив работающего контента — такие нужны, только если вопрос пользователя нельзя закрыть доработкой.

Если разработчики клиента не успевают внедрять подготовленные материалы, мы не заполняем паузу новыми статьями.

Что проверим после публикации?

Каждая опубликованная страница проходит повторную проверку: совпадают ли факты с факт-матрицей, работают ли ссылки, доступно ли содержимое для поисковых систем. Дальше мы смотрим на переходы из информационных материалов к страницам решений и на заявки от потенциальных клиентов: запросы демонстрации и обращения от организаций из каждого из четырех сегментов. Входы в систему и запросы в поддержку в этот счет не попадают. Так видно, приводят ли доработанные страницы к реальным заявкам. Для этого нужно сначала разделить в аналитике действия действующих пользователей, например вход в личный кабинет, и потенциальных клиентов.

Упоминание бренда еще не означает попадание в короткий список

Что показал мониторинг?

Бренд появился в 45% проверок, нейросети его знают и опираются на официальный сайт. Но упоминание бывает разным. Нейросеть может назвать бренд в нейтральной справке о том, какие системы существуют. А может предложить его как один из вариантов для задачи пользователя и объяснить, почему он подходит. Для выбора поставщика важен второй случай. В нашей методике это сигнал «контекст рекомендации»: бренд попадает в короткий список, и система объясняет, почему он подходит; поэтому упоминание и попадание в варианты выбора мы считаем отдельно.

Еще одно наблюдение касается конкурентов. В июльском срезе рядом с брендом появлялись другие решения, в августовском заметного присутствия отслеживаемых конкурентов не было. Делать из этого вывод об изменении позиций нельзя: динамику можно оценивать только при повторном сравнении по тому же набору конкурентов и вопросов.

Почему это важно для выбора?

В том же опросе G2 69% покупателей признались, что выбрали не того поставщика, которого планировали изначально, потому что его рекомендовал чат-бот. Нейтральное упоминание в справке такого эффекта не дает. Влияет именно рекомендация в контексте задачи.

Как мы будем это измерять?

Для глубокой диагностики у нас есть внутренний сервис на базе ChatGPT и Perplexity с расширенным набором сценариев. В нем мы отдельно размечаем присутствие бренда в вопросах без его названия, попадание в варианты выбора, точность фактов по факт-матрице, опору на официальный сайт и качество ответов по каждому из четырех сегментов. Perplexity показывает источники к каждому ответу, и это помогает понять, на какие страницы опирается модель.

Всего у проекта три независимых замера:

• Keys.so — регулярный клиентский отчет по Алисе и Google;
• сводный мониторинг — историческая серия по 20 фиксированным вопросам в ChatGPT, Алисе и обзорах ИИ Google;
• внутренний сервис — глубокая диагностика качества ответов в ChatGPT и Perplexity.

Цифры этих замеров мы не складываем и не усредняем. У каждого свой набор запросов, свои платформы и свой способ подсчета, поэтому сравниваем результаты только внутри одного инструмента и на неизменном ядре вопросов. Если показатели расходятся, объяснять разницу методиками можно только после того, как проверили их состав и сопоставимость. Цели по росту нейровидимости мы ставим только после исходного уровня и повторных замеров внутри одной серии.

Результат аудита — диагностика и план с проверяемыми критериями

Клиент получил аудит, стратегию и карту реализации. В них есть:

• приоритеты и порядок работ;
• карта почти 50 страниц, где для каждой указаны роль, конкретное действие, приоритет и критерий готовности;
• перечень изменяемых фактов первой очереди для согласования;
• требования к подтверждениям: для 5–7 опорных кейсов фиксируем исходную задачу, масштаб, период, измеримый результат, метод расчета и границы вклада продукта;
• технический аудит: правила обхода для поисковых и AI-ботов, антибот-защита, серверная отдача контента, основные адреса страниц, структурированные данные, разделение аналитики;
• реестр внешних источников, где отмечено, какой факт содержит площадка, есть ли расхождение и что считается первоисточником;
• порядок и периодичность повторных замеров.

Технические проверки для AI-ботов не будем описывать подробно: они собраны в статье Как открыть сайт для AI и что для этого сделать маркетингу, SEO и разработке, а работа с внешним контуром — в статье Внешние источники в AI-поиске: как выбрать площадку, подтвердить факт и измерить результат.

Порядок работ здесь принципиален:

1. Зафиксировать исходные срезы во всех трех замерах.
2. Согласовать факт-матрицу.
3. Провести полный технический аудит.
4. Точечно доработать опорные страницы по подтвержденным дефицитам.
5. Усилить страницы четырех отраслевых решений.
6. Глубоко переработать сильные существующие материалы.
7. Создавать новые страницы только при доказанной необходимости.
8. Синхронизировать внешние источники.
9. Повторить замеры по той же методике.

Логика простая: нельзя масштабировать новые формулировки о продукте, пока не согласованы факты; нельзя усиливать сравнения, пока не определены границы продукта; нельзя массово создавать страницы, пока не проверен большой архив.

По каждой задаче мы отдельно отмечаем, что предложено, что согласовано с клиентом и что уже опубликовано.

Эффект изменений покажут только замеры по той же методике

Сейчас многое еще не доказано. Мы не знаем, вырастет ли доля ответов, где бренд попадает в варианты выбора. Не знаем, насколько справочный контент ведет к продукту: это покажут данные о переходах после настройки аналитики. Не можем объяснить, почему в августе пропали конкуренты — но и не делаем из этого поспешных выводов.

Мониторинг идет каждый месяц: смотрим срез Keys.so, классический поиск, переходы к страницам решений и заявки. После правок критичных фактов проверяем ответы нейросетей сразу. На шестой месяц делаем большой сопоставимый срез: те же 20 вопросов сводного мониторинга и тот же диагностический набор во внутреннем сервисе. По его итогам корректируем план второго полугодия.

Как отличить эффект работ от случайного колебания ответов, мы разобрали в статье Как проверять гипотезы в GEO: эксперимент, сравнение и оценка эффекта.

Результаты мы покажем во второй части кейса.

Эти шаги помогут проверить любой зрелый B2B-сайт

Если у вашего сайта тоже большой архив и сильное SEO, начать можно с нескольких вопросов:

• Где сосредоточена ваша поисковая видимость и помогает ли этот контент перейти к выбору продукта?
• Есть ли у ключевых изменяемых фактов одно актуальное значение, дата, владелец и первоисточник?
• Указаны ли условия рядом с сильными обещаниями?
• Получит ли покупатель на сайте цельный ответ о внедрении, стоимости и ограничениях продукта?
• Вы считаете отдельно упоминания бренда и попадание в варианты выбора?

Чтобы было проще ориентироваться, мы свели понятия, на которые опирались в этом проекте, в таблицу.

Если хотите понять, как ваш бренд и продукт выглядят в ответах нейросетей, закажите GEO-аудит: мы проверим ответы, факты и источники и предложим план работ под ваши сценарии выбора.

FAQ

Нужно ли зрелому сайту переписывать все страницы под нейросети?

Нет. Если страница уже выполняет свою роль, ее достаточно точечно доработать: синхронизировать факты, добавить условия к сильным утверждениям, связать с релевантными материалами. Полная переработка нужна, только когда меняется роль страницы или ее структура не отвечает на вопрос пользователя.

Что делать со старыми материалами на сайте?

Удалять их массово не нужно. Старая новость или архивная статья сама по себе не ошибка. Проблема возникает, когда исторический факт можно принять за текущий. В таких случаях помогают дата, пометка об актуальности и ссылка на актуальную версию. Устаревшие документы с ключевыми фактами лучше обновить, датировать, пояснить исторический статус и дать ссылку на актуальную версию. Ограничивать доступность для поиска стоит только после отдельной проверки конкретного документа .

Можно ли гарантировать, что нейросети начнут рекомендовать бренд?

Нет. Нейросеть сама выбирает источники и формулирует ответ, поэтому подрядчик может отвечать за свою работу, но не за итоговый ответ. Зато можно ставить цели по управляемым показателям: числу расхождений в фактах, доле подтвержденных показателей, доступности страниц. А видимость и попадание в варианты выбора оценивать по серии повторных замеров.

Когда ждать первых результатов?

В этом проекте первые месяцы уходят на факты, технический аудит и опорные страницы, а повторные сопоставимые замеры запланированы на шестой месяц. Раньше оценивать эффект по нейровидимости рискованно: изменения на сайте не сразу доходят до поисковых систем, а ответы нейросетей колеблются и без всяких правок.

Читайте также:

Еженедельный мониторинг GEO: какие изменения в AI-ответах требуют быстрой реакции

Как отслеживать лиды из ChatGPT, Perplexity и других AI-систем

От SEO к многослойной видимости: что бизнесу надо знать про AI-поиск